EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitSystematische ÜbersichtOpen Access · CC BY 4.0

Artificial Intelligence Approaches for Gastrointestinal Bleeding Detection in Capsule Endoscopy: A Systematic Review and Critical Analysis

Künstliche-Intelligenz-Ansätze zur Erkennung gastrointestinaler Blutungen in der Kapselendoskopie: systematische Übersicht und kritische Analyse

Nasima Mohammad Helal iD, Jon Zaccary Regala, Mujeeb Rahman iD

Diagnostics · 22.10.2026 · 16 (21) · 3449

DOI: 10.3390/diagnostics16213449 ↗

Auf einen Blick

Die Übersichtsarbeit fasst 15 Studien zur KI-gestützten Erkennung gastrointestinaler Blutungen in der Kapselendoskopie zusammen. Auf kuratierten Datensätzen waren die Leistungen hoch, die klinische Übertragbarkeit aber unklar.

Fragestellung

Wie gut erkennen KI-Ansätze gastrointestinale Blutungen in der Kapselendoskopie?

Methode

Systematische Übersicht nach PRISMA 2020 über 15 peer-reviewte Studien (2020–2025); Qualitätsbewertung mit einem AI-adaptierten Bias-Rahmen auf Basis von QUADAS-2 und PROBAST.

Ergebnisse

13 Studien berichteten eine frame-level Klassifikationsgenauigkeit von 90,6 % bis 99,9 % (Median 98,5 %). Segmentierungs-/Detektionsstudien: mittlere Intersection-over-Union 86,9 % und mAP@0,5 79,0 %.

Einschränkungen

Nur zwei Studien hatten ein niedriges Bias-Risiko für die Validierungsstrategie; keine trennte Training und Test auf Patientenebene; keine verglich KI mit konventioneller Endoskopie oder klinischen Endpunkten.

Schlussfolgerung der Autor:innen

Die aktuellen Daten zeigen hohe Leistungen auf kuratierten Datensätzen, aber noch keine Generalisierbarkeit oder klinische Einsatzreife; patientenbezogene, externe und prospektive multizentrische Validierung ist erforderlich.

Kernaussagen

  • 13 Studien mit 90,6 % bis 99,9 % Genauigkeit
  • Segmentierung/Detektion: IoU 86,9 %, mAP@0,5 79,0 %
  • Keine Studie verglich KI mit konventioneller Endoskopie oder Outcomes

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Diagnostics, online erschienen am 22.10.2026. Verfasst von Nasima Mohammad Helal und 2 weiteren Autor:innen. Beteiligte Einrichtung: Department of Biomedical Engineering, College of Engineering and Information Technology, Ajman University, Ajman P.O. Box 346, United Arab Emirates. Die Arbeit nennt 49 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: Gastrointestinal (GI) bleeding is a common, potentially life-threatening condition, and capsule endoscopy (CE) is the principal investigation for suspected small-bowel bleeding after non-diagnostic upper endoscopy and colonoscopy. Because manual review of thousands of CE frames is labor-intensive, artificial intelligence (AI) has been proposed to automate bleeding detection.

Methods

Following PRISMA 2020, this systematic review synthesizes 15 peer-reviewed journal studies (2020–2025) applying traditional machine learning, convolutional neural networks, transfer learning, attention-based or hybrid architectures, segmentation, or object detection to GI bleeding detection in CE. Methodological quality was appraised with an AI-adapted risk-of-bias framework informed by QUADAS-2 and PROBAST.

Results

Frame-level classification accuracy ranged from 90.6% to 99.9% (median 98.5%; 13 studies), with the lowest values from evaluations closest to clinical practice; the segmentation and detection studies reported a mean intersection-over-union of 86.9% and an mAP@0.5 of 79.0%. Only two studies (13%) were at low risk of bias for validation strategy, none reported patient-level separation of training and test data, only four (27%) used clinical patient data, and none compared AI with conventional endoscopy or clinical outcomes.

Conclusions

Current evidence demonstrates high performance on curated datasets but not yet generalizability or clinical readiness; patient-level, external, and prospective multicentre validation is required.

Schlagwörter

Stichwörter der Autor:innen

artificial intelligencedeep learninggastrointestinal bleedingmachine learningrisk of biassmall-bowel bleedingvideo capsule endoscopywireless capsule endoscopy

Autor:innen und Institutionen

  • Department of Biomedical Engineering, College of Engineering and Information Technology, Ajman University, Ajman P.O. Box 346, United Arab Emirates.

ORCID-Profile: Nasima Mohammad Helal, Mujeeb Rahman

Zitieren

APA

Helal, N. M., Regala, J. Z., & Rahman, M. (2026). Artificial Intelligence Approaches for Gastrointestinal Bleeding Detection in Capsule Endoscopy: A Systematic Review and Critical Analysis. Diagnostics, 16(21), 3449. https://doi.org/10.3390/diagnostics16213449

Vancouver

Helal NM, Regala JZ, Rahman M. Artificial Intelligence Approaches for Gastrointestinal Bleeding Detection in Capsule Endoscopy: A Systematic Review and Critical Analysis. Diagnostics. 2026;16(21):3449. doi:10.3390/diagnostics16213449

BibTeX
@article{Helal2026,
  author = {Helal, Nasima Mohammad and Regala, Jon Zaccary and Rahman, Mujeeb},
  title = {Artificial Intelligence Approaches for Gastrointestinal Bleeding Detection in Capsule Endoscopy: A Systematic Review and Critical Analysis},
  journal = {Diagnostics},
  year = {2026},
  volume = {16},
  number = {21},
  pages = {3449},
  doi = {10.3390/diagnostics16213449}
}
Kostenlos starten →